Enel automatizza la gestione degli asset di rete e il rilevamento delle anomalie su larga scala utilizzando Amazon SageMaker

Enel automatizza gestione asset di rete e rilevamento anomalie su larga scala con Amazon SageMaker

Questo è un post ospite di Mario Namtao Shianti Larcher, Responsabile Visione Artificiale presso Enel.

Enel, che ha avuto origine come ente nazionale italiano per l’elettricità, è oggi un’azienda multinazionale presente in 32 paesi e il primo operatore di rete privato al mondo con 74 milioni di utenti. È anche riconosciuta come il primo operatore di energie rinnovabili con una capacità installata di 55,4 GW. Negli ultimi anni, l’azienda ha investito molto nel settore del machine learning (ML) sviluppando una solida competenza interna che le ha permesso di realizzare progetti molto ambiziosi come il monitoraggio automatico dei suoi 2,3 milioni di chilometri di rete di distribuzione.

Ogni anno, Enel ispeziona la sua rete di distribuzione elettrica con elicotteri, automobili o altri mezzi, scatta milioni di fotografie e ricostruisce l’immagine 3D della sua rete, che è una ricostruzione 3D della rete in forma di punto cloud, ottenuta utilizzando la tecnologia LiDAR.

L’esame di questi dati è fondamentale per monitorare lo stato della rete elettrica, identificare anomalie infrastrutturali e aggiornare i database degli asset installati, permettendo un controllo dettagliato dell’infrastruttura fino al materiale e allo stato del più piccolo isolante installato su un determinato palo. Data la quantità di dati (oltre 40 milioni di immagini ogni anno solo in Italia), il numero di elementi da identificare e la loro specificità, un’analisi completamente manuale è molto costosa, sia in termini di tempo che di denaro, e soggetta a errori. Fortunatamente, grazie ai enormi progressi nel campo della computer vision e del deep learning e alla maturità e democratizzazione di queste tecnologie, è possibile automatizzare parzialmente o addirittura completamente questo costoso processo.

• Così, così fresco Gioca ai giochi più recenti in cloud sin dal primo giorno
• Stanford Research presenta FlashAttention-2 un balzo in avanti in termini di velocità ed efficienza per i modelli di linguaggio a lungo contesto
• Migliori strumenti di intelligenza artificiale per proteggerti nel futuro (2023)

Ovviamente, il compito rimane molto sfidante e, come tutte le applicazioni moderne di intelligenza artificiale, richiede potenza di calcolo e la capacità di gestire efficientemente grandi volumi di dati.

Enel ha sviluppato la propria piattaforma di machine learning (chiamata internamente “ML factory”) basata su Amazon SageMaker, e la piattaforma si è affermata come soluzione standard per costruire e addestrare modelli in Enel per diversi casi d’uso, attraverso diversi hub digitali (unità aziendali) con decine di progetti di machine learning in fase di sviluppo su Amazon SageMaker Training, Amazon SageMaker Processing e altri servizi AWS come AWS Step Functions.

Enel raccoglie immagini e dati da due diverse fonti:

1. Ispezioni aeree della rete:
   • Punti cloud LiDAR – Hanno il vantaggio di essere una ricostruzione 3D estremamente accurata e geolocalizzata dell’infrastruttura, e quindi sono molto utili per calcolare distanze o effettuare misurazioni con un’accuratezza non ottenibile dall’analisi di immagini 2D.
   • Immagini ad alta risoluzione – Queste immagini dell’infrastruttura vengono scattate nell’arco di pochi secondi l’una dall’altra. Ciò permette di rilevare elementi e anomalie troppo piccoli per essere identificati nel punto cloud.
2. Immagini satellitari – Anche se possono essere più convenienti rispetto a un’ispezione delle linee elettriche (alcune sono disponibili gratuitamente o a pagamento), la loro risoluzione e qualità spesso non sono all’altezza delle immagini scattate direttamente da Enel. Le caratteristiche di queste immagini le rendono utili per determinati compiti come valutare la densità delle foreste e la macro-categoria o trovare edifici.

In questo post, discutiamo i dettagli di come Enel utilizza queste tre fonti e condividiamo come Enel automatizza la gestione e la rilevazione di anomalie su larga scala nella valutazione della rete elettrica utilizzando SageMaker.

Analisi di fotografie ad alta risoluzione per identificare asset e anomalie

Come per altri dati non strutturati raccolti durante le ispezioni, le fotografie scattate vengono memorizzate su Amazon Simple Storage Service (Amazon S3). Alcune di queste vengono etichettate manualmente con l’obiettivo di addestrare diversi modelli di deep learning per diversi compiti di computer vision.

Concettualmente, il processo di elaborazione e inferenza prevede un approccio gerarchico con più fasi: prima vengono identificate le regioni di interesse nell’immagine, quindi queste vengono ritagliate, gli asset vengono identificati al loro interno e infine vengono classificati in base al materiale o alla presenza di anomalie su di essi. Poiché lo stesso palo appare spesso in più di un’immagine, è anche necessario essere in grado di raggruppare le sue immagini per evitare duplicati, un’operazione chiamata reidentificazione.

Per tutte queste attività, Enel utilizza il framework PyTorch e le ultime architetture per la classificazione delle immagini e il rilevamento degli oggetti, come EfficientNet/EfficientDet o altre per la segmentazione semantica di determinate anomalie, come le perdite di olio sui trasformatori. Per il compito di reidentificazione, se non possono farlo geometricamente perché mancano dei parametri della telecamera, vengono utilizzati metodi di auto-apprendimento basati su SimCLR o architetture basate su Transformer. Sarebbe impossibile addestrare tutti questi modelli senza avere accesso a un gran numero di istanze dotate di GPU ad alte prestazioni, quindi tutti i modelli sono stati addestrati in parallelo utilizzando i job di addestramento di Amazon SageMaker con istanze di ML accelerate da GPU. L’inferenza ha la stessa struttura ed è orchestrata da una state machine di Step Functions che governa diversi job di processing e addestramento di SageMaker che, nonostante il nome, sono utilizzabili sia nell’addestramento che nell’inferenza.

Di seguito è riportata un’architettura di alto livello del pipeline di ML con i suoi principali passaggi.

Questo diagramma mostra l’architettura semplificata del pipeline di inferenza delle immagini di ODIN, che estrae e analizza le ROI (come i pali dell’elettricità) dalle immagini del dataset. Il pipeline approfondisce ulteriormente le ROI, estrae e analizza gli elementi elettrici (trasformatori, isolatori, ecc.). Dopo che i componenti (ROI ed elementi) sono stati finalizzati, inizia il processo di riconoscimento: le immagini e i pali nella mappa di rete vengono abbinati in base ai metadati 3D. Ciò consente di raggruppare le ROI che si riferiscono allo stesso palo. Dopo questo, le anomalie vengono finalizzate e vengono generate le relazioni.

Estrazione di misurazioni precise utilizzando le nuvole di punti LiDAR

Le fotografie ad alta risoluzione sono molto utili, ma poiché sono in 2D, è impossibile estrarre misurazioni precise da esse. Le nuvole di punti LiDAR vengono in aiuto in questo caso, perché sono in 3D e ogni punto nella nuvola ha una posizione con un errore associato di meno di una manciata di centimetri.

Tuttavia, in molti casi, una nuvola di punti grezzi non è utile, perché non si può fare molto se non si sa se un insieme di punti rappresenta un albero, una linea elettrica o una casa. Per questo motivo, Enel utilizza KPConv, un algoritmo di segmentazione semantica delle nuvole di punti, per assegnare una classe a ciascun punto. Dopo che la nuvola è classificata, è possibile capire se la vegetazione è troppo vicina alla linea elettrica anziché misurare l’inclinazione dei pali. Grazie alla flessibilità dei servizi di SageMaker, il flusso di questa soluzione non differisce molto da quello già descritto, con l’unica differenza che in questo caso è necessario utilizzare anche istanze GPU per l’inferenza.

Di seguito sono riportati alcuni esempi di immagini di nuvole di punti.

Osservare la rete elettrica dallo spazio: Mappare la vegetazione per prevenire interruzioni del servizio

Ispezionare la rete elettrica con elicotteri e altri mezzi è generalmente molto costoso e non può essere fatto troppo frequentemente. D’altra parte, avere un sistema per monitorare le tendenze della vegetazione in brevi intervalli di tempo è estremamente utile per ottimizzare uno dei processi più costosi di un distributore di energia: la potatura degli alberi. Per questo motivo, Enel ha incluso nella sua soluzione anche l’analisi delle immagini satellitari, dalle quali con un approccio multitask viene identificata la presenza di vegetazione, la sua densità e il tipo di piante divise in macro classi.

Per questo caso d’uso, dopo aver sperimentato diverse risoluzioni, Enel ha concluso che le immagini gratuite di Sentinel 2 fornite dal programma Copernicus avevano il miglior rapporto costi-benefici. Oltre alla vegetazione, Enel utilizza anche immagini satellitari per identificare gli edifici, che sono informazioni utili per capire se ci sono discrepanze tra la loro presenza e dove Enel fornisce energia e quindi eventuali connessioni irregolari o problemi nei database. Per quest’ultimo caso d’uso, la risoluzione di Sentinel 2, in cui un pixel rappresenta un’area di 10 metri quadrati, non è sufficiente, quindi vengono acquistate immagini a pagamento con una risoluzione di 50 centimetri quadrati. Anche questa soluzione non differisce molto dalle precedenti in termini di servizi utilizzati e flusso.

Di seguito è riportata un’immagine aerea con l’identificazione degli asset (palo e isolatori).

Angela Italiano, Direttore di Data Science di ENEL Grid, dice:

“Presso Enel, utilizziamo modelli di visione artificiale per ispezionare la nostra rete di distribuzione elettrica ricostruendo immagini 3D della nostra rete utilizzando decine di milioni di immagini di alta qualità e nuvole di punti LiDAR. La formazione di questi modelli di ML richiede l’accesso a un gran numero di istanze dotate di GPU ad alte prestazioni e la capacità di gestire grandi volumi di dati in modo efficiente. Con Amazon SageMaker, possiamo addestrare rapidamente tutti i nostri modelli in parallelo senza dover gestire l’infrastruttura poiché il training di Amazon SageMaker scala le risorse di calcolo su e giù secondo necessità. Utilizzando Amazon SageMaker, siamo in grado di costruire immagini 3D dei nostri sistemi, monitorare le anomalie e servire oltre 60 milioni di clienti in modo efficiente.”

Conclusion

In questo post, abbiamo visto come un top player nel mondo dell’energia come Enel abbia utilizzato modelli di visione artificiale e i job di addestramento e processing di SageMaker per risolvere uno dei principali problemi di chi deve gestire un’infrastruttura di questa dimensione colossale, tenere traccia degli asset installati e identificare anomalie e fonti di pericolo per una linea elettrica, come la vegetazione troppo vicina ad essa.

Scopri di più sulle funzionalità correlate di SageMaker.